如何使用OpenCV 3.0 StereoSGBM和PCL生成一对立体图像的有效点云表示

Question

我最近开始使用OpenCV 3.0，我的目标是从一组立体相机中捕获一对立体图像，创建一个合适的视差图，将视差图转换为3D点云，最后在一个点云中显示结果点云。使用PCL的点云查看器。

我已经进行了相机校准，结果校准RMS为0.4

您可以在下面的链接中找到我的图像对（左图） 1和（右图） 2 。 我正在使用StereoSGBM来创建视差图像。 我也使用轨迹条来调整StereoSGBM函数参数，以获得更好的视差图像。 不幸的是，我不能发布我的差异图像，因为我是StackOverflow的新手并且没有足够的声誉来发布两个以上的图像链接！

获取视差图像（下面的代码中的“disp”）后，我使用reprojectImageTo3D（）函数将视差图像信息转换为XYZ 3D坐标，然后将结果转换为“pcl :: PointXYZRGB”点的数组这样它们就可以在PCL点云查看器中显示出来。 在执行所需的转换后，我得到的点云是一个愚蠢的金字塔形状的点云，没有任何意义。 我已阅读并尝试了以下链接中的所有建议方法：

1- http：//blog.martinperis.com/2012/01/3d-reconstruction-with-opencv-and-point.html

2- http：//stackoverflow.com/questions/13463476/opencv-stereorectifyuncalibrated-to-3d-point-cloud

3- http：//stackoverflow.com/questions/22418846/reprojectimageto3d-in-opencv

他们没有工作!!!

下面我提供了我的代码的转换部分，如果您能告诉我我缺少的内容，将不胜感激：

pcl::PointCloud<pcl::PointXYZRGB>::Ptr pointcloud(new   pcl::PointCloud<pcl::PointXYZRGB>());
    Mat xyz;
    reprojectImageTo3D(disp, xyz, Q, false, CV_32F);
    pointcloud->width = static_cast<uint32_t>(disp.cols);
    pointcloud->height = static_cast<uint32_t>(disp.rows);
    pointcloud->is_dense = false;
    pcl::PointXYZRGB point;
    for (int i = 0; i < disp.rows; ++i)
        {
            uchar* rgb_ptr = Frame_RGBRight.ptr<uchar>(i);
            uchar* disp_ptr = disp.ptr<uchar>(i);
            double* xyz_ptr = xyz.ptr<double>(i);

            for (int j = 0; j < disp.cols; ++j)
            {
                uchar d = disp_ptr[j];
                if (d == 0) continue;
                Point3f p = xyz.at<Point3f>(i, j);

                point.z = p.z;   // I have also tried p.z/16
                point.x = p.x;
                point.y = p.y;

                point.b = rgb_ptr[3 * j];
                point.g = rgb_ptr[3 * j + 1];
                point.r = rgb_ptr[3 * j + 2];
                pointcloud->points.push_back(point);
            }
        }
    viewer.showCloud(pointcloud);

Answer 1

做了一些工作和一些研究后，我找到了答案，我在这里分享，以便其他读者可以使用。

从视差图像到3D XYZ（最终到点云）的转换算法没有任何问题。 问题是物体（我正在拍摄照片）与摄像机之间的距离以及可用于StereoBM或StereoSGBM算法的信息量，以检测两个图像（图像对）之间的相似性。 为了获得适当的3D点云，需要具有良好的视差图像，并且为了获得良好的视差图像（假设您已经执行了良好的校准），请确保以下内容：

1-两个框架（右框架和左框架）之间应该有足够的可检测和可区分的共同特征。 原因在于StereoBM或StereoSGBM算法在两个帧之间寻找共同特征，并且它们很容易被两个帧中的类似事物欺骗，这两个帧可能不一定属于相同的对象。 我个人认为这两种匹配算法有很大的改进空间。 所以要注意你用相机看的东西。

2-感兴趣的对象（您有兴趣拥有3D点云模型的对象）应与摄像机保持一定距离。 基线越大（基线是两个摄像机之间的距离），您感兴趣的对象（目标）就越远。

嘈杂和失真的视差图像永远不会产生良好的3D点云。 您可以做的一件事就是在您的应用程序中使用跟踪条，以便您可以调整StereoSBM或StereoSGBM参数，直到您看到良好的结果（清晰和平滑的视差图像）。 下面的代码是关于如何生成跟踪条的一个简单的小例子（我尽可能简单地写了它）。 根据需要使用：

 int PreFilterType = 0, PreFilterCap = 0, MinDisparity = 0, UniqnessRatio = 0, TextureThreshold = 0,
    SpeckleRange = 0, SADWindowSize = 5, SpackleWindowSize = 0, numDisparities = 0, numDisparities2 = 0, PreFilterSize = 5;


            Ptr<StereoBM> sbm = StereoBM::create(numDisparities, SADWindowSize);  

while(1)
{
            sbm->setPreFilterType(PreFilterType);
            sbm->setPreFilterSize(PreFilterSize);  
            sbm->setPreFilterCap(PreFilterCap + 1);
            sbm->setMinDisparity(MinDisparity-100);
            sbm->setTextureThreshold(TextureThreshold*0.0001);
            sbm->setSpeckleRange(SpeckleRange);
            sbm->setSpeckleWindowSize(SpackleWindowSize);
            sbm->setUniquenessRatio(0.01*UniqnessRatio);
            sbm->setSmallerBlockSize(15);
            sbm->setDisp12MaxDiff(32);

            namedWindow("Track Bar Window", CV_WINDOW_NORMAL);
            cvCreateTrackbar("Number of Disparities", "Track Bar Window", &PreFilterType, 1, 0);
            cvCreateTrackbar("Pre Filter Size", "Track Bar Window", &PreFilterSize, 100);
            cvCreateTrackbar("Pre Filter Cap", "Track Bar Window", &PreFilterCap, 61);
            cvCreateTrackbar("Minimum Disparity", "Track Bar Window", &MinDisparity, 200);
            cvCreateTrackbar("Uniqueness Ratio", "Track Bar Window", &UniqnessRatio, 2500);
            cvCreateTrackbar("Texture Threshold", "Track Bar Window", &TextureThreshold, 10000);
            cvCreateTrackbar("Speckle Range", "Track Bar Window", &SpeckleRange, 500);
            cvCreateTrackbar("Block Size", "Track Bar Window", &SADWindowSize, 100);
            cvCreateTrackbar("Speckle Window Size", "Track Bar Window", &SpackleWindowSize, 200);
            cvCreateTrackbar("Number of Disparity", "Track Bar Window", &numDisparities, 500);

            if (PreFilterSize % 2 == 0)
            {
                PreFilterSize = PreFilterSize + 1;
            }


            if (PreFilterSize2 < 5)
            {
                PreFilterSize = 5;
            }

            if (SADWindowSize % 2 == 0)
            {
                SADWindowSize = SADWindowSize + 1;
            }

            if (SADWindowSize < 5)
            {
                SADWindowSize = 5;
            }


            if (numDisparities % 16 != 0)
            {
                numDisparities = numDisparities + (16 - numDisparities % 16);
            }
        }
}

如果您没有得到正确的结果和平滑的视差图像，请不要失望。 尝试使用OpenCV样本图像（带有橙色台灯的图像）和算法，以确保您拥有正确的管道，然后尝试从不同距离拍摄照片并使用StereoBM / StereoSGBM参数，直到您可以获得某些内容有用。 我为此目的使用了自己的脸，因为我的基线非常小，所以我非常接近我的相机（这是我的3D脸部点云图片的链接，嘿，你不敢笑！ ） 1 。经过一周的挣扎，我很高兴看到自己处于3D点云状态。 我以前见过自己从未如此幸福！ ;）